SMD-Net (Shape-Aware Multi-Scale Detection Network) past kontrast, xira chegaralar, tartibsiz nishon shakllari, zich obyekt toʻplamlari, qisman toʻsilishlar va kichik nishonlar mavjud suvosti tasvirlarida obyekt aniqlashni kuchaytirish uchun YOLOv11s asosida ishlab chiqilgan, shaklni hisobga oluvchi koʻp masshtabli obyekt aniqlash tarmogʻidir. Model shakl va semantik axborotni kuchaytiruvchi Shape-aware Feature Extraction Module (SFEM), yuqori va past darajali belgilarni bosqichma-bosqich birlashtiruvchi Progressive Multi-scale Fusion Module (PMFM), 160×160 aniqlikdagi qoʻshimcha High-Resolution Detection Branch (HRDB), koʻrinadigan nishon hududlarini taʼkidlovchi SEAM asosidagi aniqlash kallaklari va ramka chegaralari moslashuvini bevosita jarimalovchi PIoU yoʻqotishini bitta arxitekturada birlashtiradi. SMD-Net DUO maʼlumotlar toʻplamida %67.2 AP, %85.4 AP50 va %75.0 AP75; URPC2020 da %42.4 AP; Trash-ICRA19 umumlashtirish tajribasida esa %78.3 AP olgan. Model 10.68 million parametr, 30.8 GFLOPs va manbaning tajriba platformasida 156 FPS bilan aniqlik–hisoblash muvozanati boʻyicha kuchli natija bergan.

Tadqiqotning eng kuchli natijasi faqat umumiy AP ortishi emas. DUO ablatsiyalarida toʻliq SMD-Net YOLOv11s bazaviy modelining AP qiymatini %65.6 dan %67.2 ga, AP75 qiymatini %73.0 dan %75.0 ga va kichik nishon AP sini %43.9 dan %48.9 ga oshirgan. Biroq barcha oraliq modul birikmalarida samaradorlik monoton oshmaydi; ayrim birikmalarda kichik pasayishlar bor. Bundan tashqari, URPC2020 da SMD-Net umumiy AP va kichik nishon AP sida eng yaxshi natijani bersa-da, AP50, AP75, oʻrta va katta nishon AP sida barcha taqqoslashlardan oʻtmaydi. Demak, manba modelning har bir maʼlumotlar toʻplami va mezonda mutlaq ustunligini emas, ayniqsa umumiy aniqlik, kichik nishonlarni aniqlash va ayrim qatʼiy lokallashtirish sharoitlarida kuchli muvozanatni taʼminlashini qoʻllab-quvvatlaydi.

Bu natijalar uchta ochiq maʼlumotlar toʻplamida bajarilgan oflayn kompyuter koʻrishi tajribalariga asoslanadi. Tadqiqot haqiqiy avtonom suvosti apparatida uzoq muddatli dala qoʻllanilishi, turli kamera/apparat zanjirlarida kechikish tahlili yoki suvostida real vaqtda energiya sarfi oʻlchovini bildirmaydi. Shu sababli 156 FPS natijasi ishlatilgan RTX 4090 asosidagi tajriba platformasida modelning xulosa chiqarish oʻlchovidir; resursi cheklangan haqiqiy AUV kompyuterida bir xil tezlik olinishini isbotlamaydi.

Suvosti obyektlarini aniqlash nega qiyin?

Suvostida tasvir olish havodagidan farqli ravishda yorugʻlikning toʻlqin uzunligiga bogʻliq yutilishi va koʻp martalik sochilishi tufayli kuchli fizik buzilishlarga uchraydi. Bu taʼsirlar spektral energiyani oʻzgartiradi, kontrastni kamaytiradi va obyekt chegaralarini xiralashtiradi. Bunga dengiz jonzotlarining tosh, qum va oʻsimliklar orasida qisman toʻsilishi, koʻp kichik nishonlarning yaqin joylashuvi va nishonlarning tartibsiz geometriyasi qoʻshilib, obyekt aniqlashning ham tasniflash, ham ramka regressiyasi tomonini qiyinlashtiradi.

Manbaning 1-rasmida xira, ustma-ust tushgan va toʻplangan suvosti nishonlari misollari berilgan. Shu rasmda DUO maʼlumotlar toʻplamidagi kichik va oʻrta masshtabli nishonlar jami nishonlarning taxminan %92 qismini tashkil etishi aytiladi. Bunday taqsimotda standart detektorning ketma-ket quyi namunalash amallari allaqachon kam piksel bilan ifodalangan kichik nishonlarning chekka va tekstura axborotini yanada kamaytirishi mumkin.

SMD-Net nima va qaysi muammoni hal qilish uchun yaratilgan?

SMD-Net YOLOv11s asosidagi, tartibsiz shaklli, kichik, past kontrastli yoki qisman toʻsilgan suvosti obyektlarini aniqlashni yaxshilashga qaratilgan koʻp masshtabli obyekt aniqlash tarmogʻidir. Model bitta yaxshilanishga tayanmaydi; SFEM bilan shaklni hisobga oluvchi belgi ajratish, PMFM bilan yuqori va past aniqlikdagi belgilarni ikki yoʻnalishda birlashtirish, HRDB bilan 160×160 yuqori aniqlikdagi bashorat, SEAM bilan koʻrinadigan nishon hududlarini taʼkidlash va PIoU bilan chegarani hisobga oluvchi ramka regressiyasini birga qoʻllaydi.

Umumiy arxitektura

Manbaning 2-rasmida SMD-Net uch asosiy bosqichda koʻrsatilgan: asosiy tarmoqda iyerarxik belgi ajratish, PMFM orqali koʻp masshtabli belgilarni birlashtirish va toʻrt xil masshtabda aniqlash. SFEM asosiy tarmoqning yuqori darajali qismida joylashadi. Bu modul DySnake, SPPF va Tanhformer qismlaridan foydalanadi. Soʻng koʻp darajali belgilar PMFM ga uzatiladi. PMFM yuqoridan pastga va pastdan yuqoriga yoʻllar bilan belgilarni qayta tuzadi va birlashtiradi. Yakuniy bosqichda toʻrt masshtabli belgi xaritalari SEAM tutuvchi aniqlash kallaklariga yuboriladi.

SFEM: shaklni hisobga oluvchi belgi ajratish

Shape-aware Feature Extraction Module (SFEM), ayniqsa dengiz bodringi kabi choʻziq va egri obyektlar hamda dengiz yulduzi kabi shoxlangan konturlarni oʻzgarmas kvadrat namunalash tartibiga majburlamasdan ifodalashga qaratilgan. Manbaning 3-rasmi standart konvolyutsiya, kengaytirilgan konvolyutsiya, deformatsiyalanuvchi konvolyutsiya va DySnake namunalash tartiblarini taqqoslaydi.

DySnake standart konvolyutsiyadan nega farq qiladi?

DySnake konvolyutsiyasi namunalash nuqtalarini faqat mustaqil oʻrganiladigan siljishlar bilan koʻchirish oʻrniga yadro markazidan tashqariga qarab bosqichma-bosqich toʻplanadigan namunalash strategiyasini qoʻllaydi; bunda nuqtalar egri yoki choʻziq nishon geometriyasini kuzatishda mahalliy uzluksizlikni saqlashi koʻzlanadi. Standart konvolyutsiyada muntazam toʻr oʻzgarmas, kengaytirilgan konvolyutsiyada toʻr oraliqlari oshsa-da geometriya muntazam qoladi, deformatsiyalanuvchi konvolyutsiyada nuqtalar erkinroq harakat qiladi; DySnake esa shaklga moslashuv va geometrik uzluksizlikni birga saqlashga intiladi.

Manba bu tanlovning asosiy sababi sifatida DUO va URPC2020 nishonlarining geometrik tartibsizligini koʻrsatadi. SFEM ablatsiyasida DySnakeConv qoʻllangan toʻliq model DUO da %67.2 AP, %85.4 AP50 va %75.0 AP75 olgan. Biroq Star Conv kichik nishon AP sida juda oz yuqoriroq natija bergan: %48.9 ga qarshi %49.0. Demak, DySnakeConv afzalligi ayniqsa umumiy samaradorlik muvozanati va qatʼiy lokallashtirish mezonlaridadir.

DynamicTanh va Tanhformer

DySnake va SPPF dan keyin yuqori darajali belgilarning kanal javoblari nomuvozanatli qolishi mumkinligi sababli Tanhformer ichida DynamicTanh (DYT) ishlatiladi. Manbaning birinchi tenglamasi:

\[ \hat{x}_{c,h,w}=\omega_c \cdot \tanh(\alpha x_{c,h,w})+\beta_c \tag{1} \]

koʻrinishidadir. Bu yerda \(x_{c,h,w}\), \(c\) kanalidagi va \((h,w)\) joyidagi kirish belgisini; \(\alpha\) global oʻrganiladigan masshtab parametrini; \(\omega_c\) kanal boʻyicha oʻrganiladigan masshtab koeffitsiyentini va \(\beta_c\) kanal boʻyicha siljish hadini bildiradi. Belgi javobi kichik boʻlsa, tanh oʻzgartirishi taxminan chiziqli boʻlib, semantik axborotni katta darajada saqlaydi. Juda katta javoblarda esa toʻyinishga yaqinlashib, ortiqcha faollashuvlar va fon shovqinini siqadi.

DynamicTanh DynAttn-Block (DAB) ichida ham oʻz-oʻziga diqqat, ham oldinga uzatish tarmogʻidan oldin joylashtiriladi:

\[ X_d=X+\operatorname{Attn}(\operatorname{DYT}_1(X)) \tag{2} \]

\[ Y=X_d+\operatorname{FFN}(\operatorname{DYT}_2(X_d)) \tag{3} \]

Qoldiq bogʻlanishli bu tuzilma belgilarni diqqat va FFN oʻzgartirishlaridan oldin qayta masshtablab, haddan tashqari kuchli kanal javoblarining ustunligini kamaytirishga qaratilgan.

PMFM: ikki yoʻnalishli va bosqichli koʻp masshtabli birlashtirish

Progressive Multi-scale Fusion Module (PMFM) yuqori darajali semantik belgilar va past darajali chekka hamda tekstura tafsilotlari bir-birini toʻldirishi uchun ikki yoʻnalishli yoʻldan foydalanadi. Yuqoridan pastga yoʻl Reconstruction and Communication Module (RCM), konkatenatsiya va C3K2 bloklaridan; pastdan yuqoriga yoʻl esa Conv, Modulation Fusion Module (MFM) va DySnake amallaridan iborat. Chiqishda toʻrt masshtabda birlashtirilgan belgi xaritalari yaratiladi.

PMFM kichik suvosti nishonlari tafsilotlarini qanday saqlaydi?

PMFM faqat yuqori darajali past aniqlikdagi belgilarni yuqoriga namunalash oʻrniga RCM bilan fazoviy tuzilmani qayta yaratadi, kanal siljishlari bilan yoʻnalishli qoʻshnichilik axborotini qoʻshadi va MFM bilan yuqori darajali semantika hamda past darajali tafsilot hissasini moslashuvchan vaznlaydi. Shu tariqa takroriy quyi namunalashda kichik nishonlarning chegara va tekstura axboroti yoʻqolishini kamaytirib, yuqori darajali sinf axborotining yuqoriroq aniqlikdagi qatlamlarga uzatilishini taʼminlaydi.

RCM: qayta tuzish va yoʻnalishli aloqa

RCM da kirish belgisi avval ikki baravar yuqoriga namunalanib, kanal boʻyicha konvolyutsiya qoʻllanadi:

\[ X_{in}=\operatorname{DWConv}(\operatorname{Up}(X_r)) \tag{4} \]

Keyin belgi xaritasi kanal oʻqi boʻyicha toʻrt guruhga ajratiladi:

\[ [X_1,X_2,X_3,X_4]=\operatorname{Split}(X_{in}) \tag{5} \]

Bu guruhlarga balandlik va kenglik yoʻnalishlarida musbat va manfiy siklik siljishlar qoʻllanadi:

\[ \tilde{X}_1=\mathcal{R}^{+s}_{h}(X_1), \qquad \tilde{X}_2=\mathcal{R}^{-s}_{h}(X_2) \tag{6} \]

\[ \tilde{X}_3=\mathcal{R}^{+s}_{w}(X_3), \qquad \tilde{X}_4=\mathcal{R}^{-s}_{w}(X_4) \tag{7} \]

Bu yerda \(h\) va \(w\) fazoviy oʻlchamlarni, \(s\) siljish miqdorini bildiradi. Oxirida toʻrt yoʻnalishli guruh birlashtirilib, 1×1 konvolyutsiya bilan qoʻshiladi:

\[ Y_r=\operatorname{Conv}_{1\times1} \left( \operatorname{Cat} (\tilde X_1,\tilde X_2,\tilde X_3,\tilde X_4) \right) \tag{8} \]

RCM ning ilmiy vazifasi yuqoriga namunalashdan keyin faqat piksel zichligini oshirish oʻrniga nishon chegarasi va mahalliy yoʻnalishli tuzilma haqida qoʻshimcha oʻzaro taʼsir yaratishdir.

MFM: yuqori darajali semantika va past darajali tafsilotni moslashuvchan muvozanatlash

MFM avval ikki belgi tarmogʻini qoʻshadi:

\[ U=\tilde F_{high}+\tilde F_{low} \tag{9} \]

Soʻng global oʻrtacha pooling, MLP va Softmax bilan ikki tarmoq uchun nisbiy vaznlar yaratiladi:

\[ [\alpha_{high},\alpha_{low}] = \operatorname{Softmax} \left( \operatorname{MLP}(\operatorname{GAP}(U)) \right) \tag{10} \]

Ikki tarmoq ushbu vaznlar bilan qayta masshtablanadi:

\[ \hat F_{high}=\alpha_{high}\odot\tilde F_{high} \tag{11} \]

\[ \hat F_{low}=\alpha_{low}\odot\tilde F_{low} \tag{12} \]

va qayta birlashtiriladi:

\[ V=\hat F_{high}+\hat F_{low} \tag{13} \]

Yakuniy chiqish:

\[ Y_m= \operatorname{Conv} \left( \operatorname{Cat}(V,\tilde F_{low}) \right) \tag{14} \]

deb aniqlanadi. Manba matnida bu kichik boʻlimning kirish jumlasida ikki kirish belgisi adashib ikki marta \(\tilde F_{high}\) deb yozilgan; biroq Eq. (9)-(14), 6-rasm va izohning qolgan qismi ikki tarmoq \(\tilde F_{high}\) va \(\tilde F_{low}\) ekanini aniq koʻrsatadi. Bu tahririy nomuvofiqlik bu yerda yashirilmagan.

HRDB: 160×160 yuqori aniqlikdagi aniqlash tarmogʻi

Standart uch masshtabli bashorat tuzilmasida 640×640 kirish uchun eng yuqori aniqlikdagi belgi xaritasi 80×80 va qadam 8 dir. SMD-Net bunga 160×160 belgi xaritasida ishlovchi qoʻshimcha High-Resolution Detection Branch qoʻshadi. Shunday qilib eng kichik qadam 8 dan 4 ga tushadi. Maqsad kichik va qisman toʻsilgan nishonlarning chegara, tekstura va koʻrinadigan mahalliy tuzilmalarini bashorat bosqichigacha yuqoriroq fazoviy aniqlikda olib borishdir.

SEAM: koʻrinadigan nishon axborotini kuchaytirish

Qisman toʻsilishda tarmoq koʻpincha butun nishonni emas, faqat bir necha chekka, tekstura yoki mahalliy geometrik boʻlakni koʻra oladi. Shu sababli SMD-Net regressiya va tasniflash tarmoqlarida SEAM qoʻllaydi. Avval mahalliy tuzilma:

\[ Z=\operatorname{DCovN}(X_s) \tag{15} \]

bilan ajratiladi. Soʻng kanal vazni:

\[ a= \sigma \left( W_2\, \delta \left( W_1\operatorname{GAP}(Z) \right) \right) \tag{16} \]

sifatida hisoblanadi va kirish belgilari:

\[ Y_s=X_s\odot\exp(a) \tag{17} \]

bilan qayta vaznlanadi. \(\delta\) ReLU ni, \(\sigma\) Sigmoid ni, \(\odot\) esa kanal boʻyicha koʻpaytirishni bildiradi.

Tadqiqot Usuli va Natijalari

Maʼlumotlar toʻplamlari

Oʻqitish platformasi va giperparametrlar

Baholash metrikalari

Tadqiqot COCO mezonlaridan foydalanadi. AP — IoU=0.50 va 0.95 orasidagi chegaralarda 0.05 qadam bilan hisoblangan Average Precision qiymatlarining oʻrtachasi. AP50 va AP75 mos ravishda IoU 0.50 va 0.75 dagi AP ni bildiradi; AP75 ramkani aniqroq joylashtirishni talab qiladi. AP_S, AP_M va AP_L mos ravishda kichik, oʻrta va katta obyektlardagi samaradorlikni oʻlchaydi. Hisoblash xarajati uchun parametrlar soni, FLOPs va FPS ham alohida bildirilgan.

DUO natijalari

SMD-Net ning DUO dagi afzalligi umumiy AP, AP50, AP75 va oʻrta nishon samaradorligida yaqqol. Biroq manba jadvali model har bir masshtabda birinchi emasligini aniq koʻrsatadi. Kichik nishon AP sida AMSP-UOD %49.0 bilan SMD-Net ning %48.9 qiymatidan juda oz yuqori, katta nishonlarda esa DCM-YOLO %66.4 bilan SMD-Net ning %66.0 qiymatidan yuqori.

URPC2020 natijalari

URPC2020 natijasida muhim nozik jihat bor: SMD-Net umumiy AP va kichik nishon AP sida eng yaxshi natijani oladi; ammo AP50, AP75 va katta nishon mezonlarida barcha raqiblarni ortda qoldirmaydi. Demak, modelning bu toʻplamdagi afzalligi ayniqsa umumiy muvozanat va kichik nishonlarni aniqlashdir.

Trash-ICRA19 umumlashtirish natijalari

Bu tajriba bir xil modelni sinf tarkibi boshqacha boʻlgan boshqa suvosti toʻplamida baholab, toʻplamlararo umumlashtirish uchun dalil beradi. Biroq bu natija mutlaqo koʻrilmagan sensorlar, boshqa dengizlar, boshqa yorugʻlik tizimlari yoki real vaqtdagi AUV amaliyotlarida universal umumlashtirishni anglatmaydi.

Sifat jihatidan aniqlash va Grad-CAM++ natijalari

Manbaning 10-13-rasmlarida zich nishon toʻplamlari, xira chegaralar, kichik obyektlar va kuchli qisman toʻsilish kabi tanlangan qiyin misollarda turli detektorlar natijalari taqqoslanadi. Mualliflar tahliliga koʻra, SMD-Net bu misollarda oʻtkazib yuborilgan nishonlar va yolgʻon musbatlar sonini kamaytiradi, ayniqsa faqat bir qismi koʻrinadigan nishonlarni barqarorroq aniqlaydi.

14-rasmdagi Grad-CAM++ tasvirlari YOLOv11s ga qaraganda SMD-Net yuqori javob hududlarini haqiqiy nishon atrofida zichroq tutishini va ayrim murakkab fon hududlarida faollashuvni kamaytirishini koʻrsatadi. Bu tasvirlar mexanizmni qoʻllab-quvvatlovchi sifat dalilidir; tanlangan misollar boʻlgani uchun oʻzlari umumiy samaradorlikning statistik isboti emas. Miqdoriy natijalarning asosiy dalili AP jadvallaridir.

Asosiy modullar ablatsiyasi

Toʻliq model bazaviy modelga nisbatan AP da 1.6, AP50 da 1.4, AP75 da 2.0 va AP_S da 5.0 foiz punkt oʻsish bergan. Biroq qismlar hissasi toʻliq qoʻshiluvchan emas. Masalan, faqat SFEM va faqat PMFM har biri 66.3 AP bersa, birga 66.2 AP ga tushadi. SEAM qoʻshilganda AP oshadi, ammo AP75 74.9 dan 74.8 ga va AP_S 46.7 dan 46.6 ga biroz pasayadi. Manba mualliflari buni birgalikdagi optimallashtirishda belgilarning oʻzaro taʼsiri va moslashuvi bilan izohlaydi.

Nega bu tadqiqotda PIoU ishlatilgan?

PIoU bashorat ramkasining faqat markazi yoki umumiy IoU qiymati oʻrniga chap, oʻng, yuqori va past chegaralarining haqiqiy ramka bilan moslashuv xatosini bevosita hisobga oladigan ramka regressiyasi mezonidir. Suvostida nishon chegaralari xira, nishonlar toʻsilgan yoki bir-biriga juda yaqin sahnalarda bashorat ramkasi nishon markazini toʻgʻri topsa ham, chegaralari ortiqcha fonni qamrab olishi mumkin; PIoU bu chegara ogʻishlarini normallashtirib, aniqroq lokallashtirishni ragʻbatlantirishga qaratilgan.

Manbada chegara ogʻishi hadi:

\[ P= \frac{1}{4} \left( \frac{d_{w1}+d_{w2}}{w_{gt}} + \frac{d_{h1}+d_{h2}}{h_{gt}} \right) \tag{18} \]

deb aniqlanadi. \(d_{w1}\) va \(d_{w2}\) chap-oʻng chegara ogʻishlarini, \(d_{h1}\) va \(d_{h2}\) yuqori-past chegara ogʻishlarini; \(w_{gt}\) va \(h_{gt}\) haqiqiy ramka kengligi va balandligini bildiradi. Shunday qilib chegara xatosi obyektning oʻz masshtabiga nisbatan normallashtiriladi.

PIoU:

\[ PIoU=IoU+\exp(-P^2)-1 \tag{19} \]

koʻrinishida taʼriflangan. Bashorat ramkasi haqiqiy chegaralarga yaqinlashganda \(P\) kichrayadi va \(\exp(-P^2)\) 1 ga yaqinlashadi; demak, PIoU qiymati oshadi. Chegaralar nomuvofiqligi ortganda qoʻshimcha had kichrayadi.

Jadval PIoU ning AP, AP50, AP75 va AP_L da eng yaxshi natija berishini koʻrsatadi. Biroq manba matnida PIoU kichik nishonlarda ustun deyilsa-da, SIoU ning AP_S qiymati 49.3 bilan PIoU ning 48.9 qiymatidan yuqori; SIoU shuningdek AP_M da 69.2 bilan PIoU ning 68.8 qiymatidan oʻtadi. Demak, jadvalga asoslangan toʻgʻri talqin PIoU ayniqsa umumiy AP va qatʼiy lokallashtirish AP75 boʻyicha kuchliroq ekanidir.

Hisoblash murakkabligi

Manbada SMD-Net 10.68 million parametr, 30.8 GFLOPs va 156 FPS bilan bildirilgan. DUO taqqoslashida YOLOv8m 25.90 M parametr, 78.9 G FLOPs va 143 FPS; YOLOv11m 20.03 M parametr, 67.7 G FLOPs va 144 FPS; DCM-YOLO 12.51 M parametr, 45.9 G FLOPs va 161 FPS ga ega. Dynamic-YOLO 8.23 M parametr, 12.5 G FLOPs va 184 FPS bilan SMD-Net dan yengilroq va tezroq, ammo DUO AP si %64.3. Bu natijalar SMD-Net mutlaq eng kichik yoki eng tez model emasligini, aniqlik va hisoblash xarajati orasida kuchli muvozanat berishini koʻrsatadi.

Tadqiqot qoʻllab-quvvatlaydigan va qoʻllab-quvvatlamaydigan xulosalar

Asosiy cheklovlar va kelgusi ishlar

Tadqiqot uchta ochiq maʼlumotlar toʻplamiga asoslanadi va haqiqiy AUV da boshidan oxirigacha dala sinovini bildirmaydi. Apparat baholashi kuchli stolusti GPU da bajarilgan. Turli suv sifati, chuqurlik, yoritish, kamera optikasi, siqish, sensor shovqini va haqiqiy apparat harakati birgalikda baholangan uzoq muddatli dala tajribasi yoʻq. Manbada ayrim tahririy shablon qoldiqlari va kichik matn–jadval nomuvofiqliklari ham mavjud.

Mualliflar kelgusi ishlarda yanada xilma-xil haqiqiy suvosti muhitlarida bardoshlilikni oshirish, resursi cheklangan platformalar uchun yengil joriy etishni oʻrganish, domenlararo suvosti idrokiga kengayish va video asosidagi obyekt aniqlashni maqsad qilgan.

Manba va Usul Haqida Izoh

Asl sarlavha: SMD-Net: A Shape-Aware Multi-Scale Detection Network for Underwater Object Detection

Mualliflar: Qian Fan, Pengfei Zou, Ziyang Qi, Tian Hua, Runhao Chen, Ye Niu.

Masʼul muallif: Qian Fan; PDF da fanqian@yzu.edu.cn manzili berilgan.

Muassasaviy mansubliklar: College of Information Engineering, Yangzhou University, Yangzhou 225009, China; Graduate School of Engineering, Kyushu Institute of Technology, Fukuoka 804-8550, Japan; College of Animal Science and Technology, Yangzhou University, Yangzhou 225009, China.

Manba turi: Preprint. PDF sahifalarida “This preprint research paper has not been peer reviewed” iborasi aniq keltirilgan.

Platforma: SSRN; manba PDF da https://ssrn.com/abstract=7022170 havolasi berilgan.

DOI: Yuklangan PDF da DOI yozilmagan va mavjud bibliografik veb qidiruvida mustaqil tasdiqlanmagani uchun DOI taxmin qilinmagan.

Jurnal / jild / son: Manba PDF da aniq jurnal, jild yoki son maʼlumoti yoʻq. Sahifa tagida “Preprint submitted to Elsevier” shablon iborasi koʻrinadi; bu maʼlum bir Elsevier jurnalida chop etilgan yoki qabul qilingan maqolani anglatmaydi.

Nashr sanasi: Yuklangan PDF ning koʻrinadigan bibliografik maydonlarida sana yoʻq; tasdiqlangan sana boʻlmagani uchun qoʻshilmagan.

Litsenziya: PDF da aniq qayta foydalanish litsenziyasi koʻrsatilmagan. Manba rasmlarini aynan koʻchirishdan oldin SSRN va huquq egasining litsenziya shartlari alohida tekshirilishi kerak.

Maʼlumotlar mavjudligi: “Maʼlumotlar soʻrov asosida taqdim etiladi.”

Manfaatlar toʻqnashuvi: Mualliflar maʼlum moliyaviy manfaatlar toʻqnashuvi yoki tadqiqotga taʼsir qilishi mumkin boʻlgan shaxsiy aloqani bildirmagan.

CRediT izohi: Manbaning CRediT boʻlimida haqiqiy muallif ismlari oʻrniga “First Author”, “Second Author”, “Third Author” kabi shablon oʻrinbosarlari qolgan. Shu sababli hissa vazifalarini muayyan mualliflarga qatʼiy bogʻlash ishonchli emas. Manba birinchi muallif uchun konseptuallashtirish, metodologiya, dasturiy taʼminot, tadqiqot, formal tahlil, maʼlumotlarni tartiblash, vizuallashtirish va dastlabki matn; ikkinchi–toʻrtinchi mualliflar uchun tekshirish, resurslar va koʻrib chiqish/tahrirlash; beshinchi–oltinchi mualliflar uchun dasturiy taʼminot, tekshirish va vizuallashtirish vazifalarini yozadi.

Manba ichidagi tahririy/izchillik izohlari:

Asosiy ilmiy cheklov: Natijalar ochiq maʼlumotlar toʻplamlari va RTX 4090 asosidagi laboratoriya/ish stansiyasi baholashiga tayanadi. Haqiqiy avtonom suvosti apparatida dala qoʻllanilishi, energiya sarfi, oʻrnatilgan apparat kechikishi yoki uzoq muddatli dengiz amaliyoti tasdiqlanmagan.

Tasvirni qayta chizish: 2-rasmdagi SMD-Net arxitekturasi, 3-rasmdagi namunalash geometriyalari, 5-6-rasmlardagi RCM/MFM oqimi, 9-rasmdagi PIoU chegara geometriyasi va 15-rasmdagi AP-FPS munosabati manba maʼlumotlariga sodiq original Verianla sxemalari/grafiklari sifatida qayta chizilishi mumkin.

Verianla Live: DUO va URPC taqqoslashlari, komponent ablatsiyasi, yoʻqotish taqqoslashi va AP-FPS muvozanati uchun mos. Ishlash vaqtidagi vizuallashtirish haqiqiy jadval qiymatlarini asosiy ishonchli manba sifatida ishlatishi; yangi oraliq AP/FPS qiymatlarini yaratmasligi kerak.